論文の概要: PFGS: High Fidelity Point Cloud Rendering via Feature Splatting

• arxiv url: http://arxiv.org/abs/2407.03857v1
• Date: Thu, 4 Jul 2024 11:42:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 18:22:43.798923
• Title: PFGS: High Fidelity Point Cloud Rendering via Feature Splatting
• Title（参考訳）: PFGS: フィーチャースプレイティングによる高忠実度ポイントクラウドレンダリング
• Authors: Jiaxu Wang, Ziyi Zhang, Junhao He, Renjing Xu,
• Abstract要約: スパースポイントから高品質な画像をレンダリングする新しいフレームワークを提案する。 この手法はまず3次元ガウス格子と点雲のレンダリングを橋渡しする。 異なるベンチマーク実験により、レンダリング品質と主成分の必要性の観点から、我々の手法の優位性を示す。
• 参考スコア（独自算出の注目度）: 5.866747029417274
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rendering high-fidelity images from sparse point clouds is still challenging. Existing learning-based approaches suffer from either hole artifacts, missing details, or expensive computations. In this paper, we propose a novel framework to render high-quality images from sparse points. This method first attempts to bridge the 3D Gaussian Splatting and point cloud rendering, which includes several cascaded modules. We first use a regressor to estimate Gaussian properties in a point-wise manner, the estimated properties are used to rasterize neural feature descriptors into 2D planes which are extracted from a multiscale extractor. The projected feature volume is gradually decoded toward the final prediction via a multiscale and progressive decoder. The whole pipeline experiences a two-stage training and is driven by our well-designed progressive and multiscale reconstruction loss. Experiments on different benchmarks show the superiority of our method in terms of rendering qualities and the necessities of our main components.
• Abstract（参考訳）: まばらな点から高忠実な画像をレンダリングすることは依然として困難である。 既存の学習ベースのアプローチは、ホールアーティファクト、詳細の欠如、高価な計算のいずれかに悩まされている。 本稿では,スパースポイントから高品質な画像をレンダリングする新しいフレームワークを提案する。 この手法はまず、いくつかのカスケードモジュールを含む3次元ガウス格子と点雲レンダリングを橋渡ししようとする。 我々はまず,ガウス特性をポイントワイズに推定するために回帰器を用い,その推定特性を用いて,多スケール抽出器から抽出した2次元平面にニューラル特徴記述器をラスタライズする。 投影された特徴ボリュームは、マルチスケールおよびプログレッシブデコーダを介して最終予測に向けて徐々にデコードされる。 パイプライン全体が2段階のトレーニングを経験し、十分に設計されたプログレッシブでマルチスケールの再構築損失によって駆動されます。 異なるベンチマーク実験により、レンダリング品質と主成分の必要性の観点から、我々の手法の優位性を示す。

関連論文リスト

• Few-shot Novel View Synthesis using Depth Aware 3D Gaussian Splatting [0.0]
  3次元ガウススプラッティングは、新しいビュー合成における神経放射場法を超越している。 多数のインプットビューを備えた高品質なレンダリングを生成するが、ほんの数ビューしか利用できない場合、パフォーマンスは大幅に低下する。 数発の新規ビュー合成のための奥行き認識型ガウススプラッティング法を提案する。
  論文  参考訳（メタデータ） (2024-10-14T20:42:30Z)
• DistillNeRF: Perceiving 3D Scenes from Single-Glance Images by Distilling Neural Fields and Foundation Model Features [65.8738034806085]
  DistillNeRFは、自動運転シーンにおける3D環境を理解するための自己教師型学習フレームワークである。 本手法は,スパースで単一フレームのマルチビューカメラ入力からリッチなニューラルシーン表現を予測する一般化可能なフィードフォワードモデルである。
  論文  参考訳（メタデータ） (2024-06-17T21:15:13Z)
• Bridging 3D Gaussian and Mesh for Freeview Video Rendering [57.21847030980905]
  GauMeshはダイナミックシーンのモデリングとレンダリングのために3D GaussianとMeshをブリッジする。 提案手法は, 動的シーンの異なる部分を表現するために, プリミティブの適切なタイプに適応することを示す。
  論文  参考訳（メタデータ） (2024-03-18T04:01:26Z)
• TRIPS: Trilinear Point Splatting for Real-Time Radiance Field Rendering [6.142272540492937]
  本稿では,ガウス版とADOP版の両方のアイデアを組み合わせたTRIPS(Trilinear Splatting)を提案する。 評価の結果,TRIPS はレンダリング品質の点で既存の最先端手法を超越していることがわかった。 このパフォーマンスは、複雑な幾何学、広大な風景、自動露光映像など、困難なシナリオにまで拡張されている。
  論文  参考訳（メタデータ） (2024-01-11T16:06:36Z)
• Feature 3DGS: Supercharging 3D Gaussian Splatting to Enable Distilled Feature Fields [54.482261428543985]
  ニューラル・ラジアンス・フィールドを使用する手法は、新しいビュー合成のような従来のタスクに汎用的である。 3次元ガウシアンスプラッティングは, 実時間ラディアンス場レンダリングにおける最先端の性能を示した。 この問題を効果的に回避するために,アーキテクチャとトレーニングの変更を提案する。
  論文  参考訳（メタデータ） (2023-12-06T00:46:30Z)
• TriVol: Point Cloud Rendering via Triple Volumes [57.305748806545026]
  我々は,高密度かつ軽量な3D表現であるTriVolをNeRFと組み合わせて,点雲から写実的な画像を描画する。 我々のフレームワークは、微調整なしでシーン/オブジェクトのカテゴリを描画できる優れた一般化能力を持っている。
  論文  参考訳（メタデータ） (2023-03-29T06:34:12Z)
• Ponder: Point Cloud Pre-training via Neural Rendering [93.34522605321514]
  本稿では,識別可能なニューラルエンコーダによる点雲表現の自己教師型学習手法を提案する。 学習したポイントクラウドは、3D検出やセグメンテーションといったハイレベルなレンダリングタスクだけでなく、3D再構成や画像レンダリングといった低レベルなタスクを含む、さまざまなダウンストリームタスクに簡単に統合できる。
  論文  参考訳（メタデータ） (2022-12-31T08:58:39Z)
• Learning Local Displacements for Point Cloud Completion [93.54286830844134]
  本稿では,3次元点雲として表現された部分的スキャンからオブジェクトとセマンティックシーンを補完する手法を提案する。 アーキテクチャはエンコーダ-デコーダ構造内で連続的に使用される3つの新しいレイヤに依存している。 オブジェクトと屋内の両方のシーン完了タスクにおけるアーキテクチャの評価を行い、最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-03-30T18:31:37Z)
• TRANSPR: Transparency Ray-Accumulating Neural 3D Scene Point Renderer [6.320273914694594]
  本稿では,半透明シーンをモデル化可能なニューラルポイントベースグラフィックス手法を提案し,評価する。 半透明な点雲のシーンの新たなビューは、我々のアプローチでトレーニングした後に生成できることを示す。
  論文  参考訳（メタデータ） (2020-09-06T21:19:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。